การวิเคราะห์การเปลี่ยนแปลงเมืองด้วยภาพถ่ายดาวเทียมและภาพถ่ายทางอากาศ

กำไร:

• ทำความเข้าใจตรรกะของการตรวจจับที่สนับสนุนโดย AI ของการแผ่ขยายของเมือง การก่อสร้าง และการเปลี่ยนแปลงพื้นที่ปกคลุมผ่านการสำรวจระยะไกลและภาพถ่ายดาวเทียม
• ความสามารถในการประเมินการจัดหมวดหมู่ภาพอย่างมีวิจารณญาณ และเปลี่ยนเอาต์พุตการตรวจจับด้วยข้อมูลความแม่นยำ ความละเอียด และข้อมูลวันที่
• ความสามารถในการเข้าใจว่าขอบเขตที่ AI แยกออกมาจากภาพจะต้องได้รับการยืนยันจากภาคสนามและบันทึกอย่างเป็นทางการ และไม่สามารถเป็นหลักฐานทางกฎหมายได้

เป็นไปไม่ได้เลยที่จะไปดูที่สนามทีละคนเพื่อดูว่าเมืองใดที่เติบโตไปมากเพียงใดและเร็วแค่ไหนในทศวรรษที่ผ่านมา นักวางแผนใช้การสำรวจระยะไกลแทน (จินตนาการถึงโลกโดยใช้ดาวเทียมและเครื่องบิน และดึงข้อมูล) ด้วยการเปรียบเทียบภาพถ่ายดาวเทียมจากวันที่ต่างๆ คุณสามารถตรวจจับการก่อสร้างใหม่ พื้นที่เกษตรกรรมที่สูญหาย การขยายการก่อสร้างที่ผิดกฎหมาย หรือพื้นที่สีเขียวที่หดตัว AI เป็นตัวเร่งความเร็วอันทรงพลังในการจัดประเภทภาพเหล่านี้ (ระบุแต่ละพิกเซลว่าเป็น “โครงสร้าง” “พืช” “น้ำ” ฯลฯ) และตรวจจับการเปลี่ยนแปลงระหว่างวันที่สองวัน แต่การวิเคราะห์ภาพเต็มไปด้วยความละเอียด วันที่ เงา เมฆ และข้อผิดพลาดในการจำแนกประเภท “การเปลี่ยนแปลง” ที่ธง AI อาจเป็นเงา ความแตกต่างตามฤดูกาล หรือข้อผิดพลาด ดังนั้นจึงไม่สามารถใช้ข้อสรุปจากภาพเป็นพื้นฐานในการดำเนินคดีได้ โดยไม่ได้รับการยืนยันจากภาคสนามและบันทึกของทางการ

แนวคิดพื้นฐานของการสำรวจระยะไกล

ความละเอียด: พื้นที่ครอบครองหนึ่งพิกเซลบนพื้น ที่ความละเอียด 10 เมตร หนึ่งพิกเซลแทน 10x10 เมตร; ไม่เห็นอาคารหลังเล็กๆ ความละเอียดสูง (เช่น 0.3-1 เมตร) หมายถึงรายละเอียดมากขึ้น แต่มีราคาแพงกว่าและความถี่ของข้อมูลน้อยลง

แถบสเปกตรัม: ดาวเทียมยังบันทึกแสงที่ดวงตาไม่สามารถมองเห็นได้ (เช่น อินฟราเรด) พืชพรรณเรืองแสงในอินฟราเรด ทำให้แยกพืชออกจากโครงสร้างได้ง่ายขึ้น ดัชนี เช่น NDVI (เครื่องคิดเลขอย่างง่ายที่ใช้วัดความแข็งแรงของพืช) เป็นเรื่องปกติในการติดตามกรีนฟิลด์

วันที่และฤดูกาล: หากภาพสองภาพอยู่คนละฤดูกาล การลดสีเขียวอาจไม่ใช่ "การสูญเสีย" แต่เป็นการมาถึงของฤดูหนาว ความสอดคล้องกันของวันที่และฤดูกาลถือเป็นสิ่งสำคัญในการเปรียบเทียบ

ความแม่นยำ: ค่าที่ใช้วัดความแม่นยำของการจำแนกประเภท “ความแม่นยำ 85 เปอร์เซ็นต์” หมายความว่าหนึ่งในหกพิกเซลอาจมีป้ายกำกับผิด นี่เป็นข้อผิดพลาดที่สำคัญสำหรับกระบวนการตรวจสอบ

ข้อควรสนใจ: โครงสร้างที่ AI ตรวจพบจากภาพถ่ายดาวเทียมนั้นไม่ใช่หลักฐานของโครงสร้างที่ผิดกฎหมายโดยตัวมันเอง ข้อผิดพลาดของเงา ความละเอียด วันที่ และการจัดหมวดหมู่ทำให้เกิดผลบวกลวง การตรวจสอบและการบังคับใช้จำเป็นต้องมีการควบคุมสถานที่ การจดทะเบียนโฉนด/ใบอนุญาต และการวัดผลอย่างเป็นทางการเสมอ

ค่าที่ใหญ่ที่สุดที่ข้อมูลดาวเทียมแบบเปิดและเสรี (แหล่งที่มา เช่น Sentinel ของยุโรปและโปรแกรม Landsat ของสหรัฐอเมริกา) นำมาสู่การวางแผนคืออนุกรมเวลาในอดีต: คุณสามารถเข้าถึงรูปภาพหลายสิบภาพในพื้นที่เดียวกันซึ่งครอบคลุมหลายปี วิธีนี้ช่วยให้คุณก้าวไปไกลกว่าการเปรียบเทียบ "ก่อน/หลัง" และดูอัตราการขยายของพื้นที่ใกล้เคียง ความผันผวนตามฤดูกาล และแนวโน้ม AI มีประโยชน์ในการสรุปชุดข้อมูลขนาดยาวเหล่านี้ และแยกรูปแบบการเปลี่ยนแปลงที่มีความหมายออกจากสัญญาณรบกวน แต่กฎเดียวกันนี้ใช้กับอนุกรมเวลา: ไม่ว่าแนวโน้มจะปรากฏชัดเจนเพียงใด ความละเอียดของภาพ อัตราคลาวด์ และฤดูกาลจะเป็นตัวกำหนดผลลัพธ์ ไม่มีแนวโน้มใดที่สามารถพิจารณาว่าเชื่อถือได้หากปราศจากการรายงานปัจจัยทั้งสามนี้

ลอจิกของการตรวจจับการเปลี่ยนแปลง

มีหลายวิธีในการเปรียบเทียบรูปภาพที่ลงวันที่สองภาพ: จำแนกทั้งวันและเปรียบเทียบคลาส รับผลต่างของดัชนี (เช่น ผลต่าง NDVI) หรือสร้างแผนที่ "เปลี่ยนแปลง/ไม่เปลี่ยนแปลง" โดยตรงด้วยโมเดล AI ผลลัพธ์ที่ได้คือแผนผังของการเปลี่ยนแปลง โครงสร้างใหม่อยู่ที่ไหน โรงงานสูญหายไปที่ไหน แผนที่นี้มีคุณค่าอย่างยิ่งในการคัดกรองเบื้องต้น โดยบอกให้ผู้วางแผน "ดูตรงนั้น" แต่แต่ละสัญญาณจะได้รับการตรวจสอบแยกกันว่าเป็นการเปลี่ยนแปลงจริงหรือเป็นข้อผิดพลาด

ทีละขั้นตอน: การวิเคราะห์การเปลี่ยนแปลงที่ขับเคลื่อนด้วย AI

1. กำหนดคำถาม “การก่อสร้างใหม่ใน [พื้นที่] อยู่ที่ไหนระหว่างปี 2561 ถึง 2567”
2. เลือกรูปภาพ ฤดูกาลเดียวกัน ความละเอียดที่ยอมรับได้ เมฆต่ำ
3. กำลังประมวลผลล่วงหน้า นำมาไว้ที่ CRS เดียวกัน จัดแนว ใช้มาสก์เมฆ/เงา
4. จำแนก/เปรียบเทียบ สร้างคลาสหรือเปลี่ยนแผนที่ด้วย AI
5. ประเมินความถูกต้อง วัดความแม่นยำด้วยจุดอ้างอิงที่ทราบ
6. การยืนยันสนามและการลงทะเบียน ตรวจสอบการเปลี่ยนแปลงที่มีเครื่องหมายโฉนด/ใบอนุญาตและไซต์หากจำเป็น
7. ขีดจำกัดการรายงาน เขียนวันที่ ความละเอียด ความถูกต้อง และส่วนต่างของข้อผิดพลาดให้ชัดเจน

พรอมต์อ่อน / พรอมต์แข็งแกร่ง

ข้อความเตือนที่อ่อนแอ: "บอกฉันว่ามีอะไรเปลี่ยนแปลงไปจากสองภาพนี้"

AI สร้างรายการที่ดูดีแต่แม่นยำไม่แน่นอน คุณอาจคิดว่าความแตกต่างระหว่างเฉดสีและฤดูกาลคือการเปลี่ยนแปลงที่แท้จริง

พร้อมท์ที่ชัดเจน: "ฉันกำลังเปรียบเทียบข้อมูลสิ่งปกคลุมดินที่จัดประเภทจากสองวัน (กรกฎาคม 2018 / กรกฎาคม 2024 ฤดูกาลเดียวกัน ความละเอียด 10 เมตร) เมื่อรายงานการวิเคราะห์การเปลี่ยนแปลง ให้ระบุอย่างชัดเจน: การเปลี่ยนแปลงใดอาจเป็นผลบวกลวงเนื่องจากเฉดสี/ฤดูกาล/ความละเอียด การกำหนดใดต้องมีการตรวจสอบภาคสนาม และวิธีวัดความแม่นยำ ไม่ต้องสรุปแน่ชัด บันทึกการค้นพบแต่ละรายการด้วย 'ต้องมีการยืนยันภาคสนาม'"

พรอมต์ที่สองบังคับให้ AI สื่อสารความไม่แน่นอนและแหล่งที่มาของข้อผิดพลาดอย่างชัดเจน

เทมเพลตที่สามารถคัดลอกได้สี่แบบ

งาน: ประเมินผลลัพธ์การตรวจจับการเปลี่ยนแปลงต่อไปนี้อย่างมีวิจารณญาณ แสดงรายการแหล่งที่มาของข้อผิดพลาดที่เป็นไปได้สำหรับการตรวจจับแต่ละครั้ง: เงา เมฆ ฤดูกาล ความละเอียด ข้อผิดพลาดในการจำแนกประเภท เพิ่มหมายเหตุ "ต้องมีการยืนยันสนาม" อย่าตัดสินขั้นสุดท้าย ผลการวิจัย / วันที่ / ความละเอียด: [...]

ภารกิจ: เขียนรายการตรวจสอบเกณฑ์การเลือกรูปภาพสำหรับการวิเคราะห์การเปลี่ยนแปลงของเมือง: ฤดูกาล ความละเอียด อัตราเมฆ ช่วงวันที่ CRS สร้างคำถามเพื่อถามว่ารูปภาพที่ฉันมีคุณสมบัติตรงตามเกณฑ์เหล่านี้หรือไม่ ข้อมูลภาพ: [...]

ภารกิจ: ร่างรายงานจากผลการวิเคราะห์การเปลี่ยนแปลงต่อไปนี้ ระบุความละเอียด วันที่ ความถูกต้อง และส่วนต่างของข้อผิดพลาดในการค้นพบแต่ละรายการอย่างชัดเจน วางกรอบผลลัพธ์เป็น “การคัดกรองล่วงหน้า”; เน้นย้ำว่าจำเป็นต้องมีการยืนยันข้อมูลและบันทึกอย่างเป็นทางการสำหรับการตรวจสอบ/การลงโทษ ผลการวิจัย: [...]

งาน: แนะนำวิธีง่ายๆ ในการประเมินความแม่นยำในการจำแนกประเภท: จำนวนจุดอ้างอิง วิธีเลือก วิธีคำนวณความแม่นยำ (คำอธิบายธรรมดา) ข้อความความจริงใดที่ควรเขียนลงในรายงาน ตัวอย่าง บริบท: [...]

ตาราง: ชนิดข้อมูลและการใช้งาน

ข้อมูล

ความละเอียด

จุดแข็ง

ขีด จำกัด

ดาวเทียมความละเอียดปานกลาง

10-30ม

ฟรี ถี่ พื้นที่กว้าง

พลาดโครงสร้างขนาดเล็ก

ดาวเทียมความละเอียดสูง

0.3-1ม

การตรวจจับโครงสร้างโดยละเอียด

ราคาแพง เบาบาง มีความเสี่ยงต่อระบบคลาวด์

ภาพถ่ายทางอากาศ / ออร์โธโฟโต้

0.1-0.3ม

มีรายละเอียดมาก เป็นทางการ

ความถี่ในการอัปเดตต่ำ

UAV (โดรน)

ระดับซม

ทันที รายละเอียดมาก

พื้นที่ขนาดเล็ก ใบอนุญาต/กฎหมาย

มินิเคสสามอัน

กรณีที่ 1 — ภาพลวงตาเงา เทศบาลเห็นป้าย "การก่อสร้างใหม่" ในละแวกใกล้เคียงบนแผนที่การเปลี่ยนแปลง AI ทีมภาคสนามไป; ป้ายส่วนใหญ่เป็นเงาตึกยาวในภาพยามบ่าย จำนวนการสร้างใหม่จริงมีสัญญาณเพียงครึ่งเดียว AI ได้คัดกรองล่วงหน้าแล้ว แต่หากใช้โดยไม่มีการยืนยัน จะทำให้เกิดนาทีที่ผิดพลาด

กรณีที่ 2 — การหลบหนีจากโครงสร้างขนาดเล็ก นักวางแผนพยายามติดตามโกดังขนาดเล็กในพื้นที่เกษตรกรรมด้วยดาวเทียมฟรีที่มีความละเอียด 10 เมตร เนื่องจากโกดังมีขนาด 6x8 เมตร จึงเหลือเพียง 1 พิกเซลและไม่สามารถมองเห็นได้ ผู้วางแผนจะเปลี่ยนไปใช้ออร์โธโฟโต้ที่มีความละเอียดสูงเพื่อการติดตามจริง ความละเอียดจะกำหนดสิ่งที่สามารถมองเห็นได้

กรณีที่ 3 — รายงานที่โปร่งใส ทีมหนึ่งวิเคราะห์การแพร่กระจายของภูมิภาคในช่วง 6 ปีและเขียนรายงานไว้อย่างชัดเจนว่า "การตรวจจับเป็นการสแกนเบื้องต้นด้วยความแม่นยำ 82 เปอร์เซ็นต์ มี 47 คะแนนที่รอการยืนยันภาคสนาม โดยแนบวันที่ของภาพและความละเอียดมาด้วย" รัฐสภาจะประเมินผลด้วยน้ำหนักที่ถูกต้อง การรายงานความไม่แน่นอนแทนที่จะซ่อนไว้ทำให้การวิเคราะห์เชื่อถือได้

ข้อผิดพลาดทั่วไป

• การตรวจจับผิดพลาดเพื่อเป็นหลักฐาน รูปภาพจะถูกสแกนล่วงหน้า ต้องมีการลงโทษและการลงทะเบียนอย่างเป็นทางการ
• ฤดูกาล/วันที่ไม่ตรงกัน รูปภาพตามฤดูกาลที่แตกต่างกันทำให้เกิดรูปแบบที่ผิด
• ละเลยความละเอียด โครงสร้างขนาดเล็กไม่สามารถมองเห็นได้ที่ความละเอียดต่ำ มันไม่ใช่ "ไม่มี"
• ความล้มเหลวในการรายงานความถูกต้อง การซ่อนขอบเขตของข้อผิดพลาดนำไปสู่การตัดสินใจที่ผิดพลาด
• ลืมเงาและเมฆ แหล่งที่มาของผลบวกลวงที่พบบ่อยที่สุด 2 แหล่ง
• CRS ไม่ตรงกัน รูปภาพที่ไม่ได้จัดตำแหน่งจะเปลี่ยนผิดตำแหน่ง

โดยสรุป

ภาพถ่ายดาวเทียมและภาพถ่ายทางอากาศเป็นวิธีที่มีประสิทธิภาพที่สุดในการมองเห็นการเปลี่ยนแปลงของเมืองทั้งในระดับและความเร็ว AI เร่งการจำแนกและการตรวจจับการเปลี่ยนแปลง แต่ความละเอียดจะกำหนดสิ่งที่มองเห็นได้ ฤดูกาลและวันที่จะกำหนดสิ่งที่เป็นจริง เงาและเมฆจะกำหนดว่าผลบวกลวงคืออะไร ความถูกต้องควรได้รับการวัดและรายงานเสมอ สิ่งสำคัญที่สุดคือ: การตรวจจับจากภาพนั้นเป็นการสแกนล่วงหน้า การควบคุมภาคสนาม การจดทะเบียนโฉนด/ใบอนุญาต และการวัดผลอย่างเป็นทางการ เป็นสิ่งจำเป็นสำหรับการตรวจสอบและการลงโทษ AI เร่งความเร็วการมองเห็น ไม่ใช่การตัดสินใจ

งานสมัคร

พิจารณาภาพคู่ (หรือสถานการณ์) ที่มีวันที่ต่างกันสองวัน (1) ตรวจสอบเกณฑ์การเลือกภาพด้วยเทมเพลตที่สอง: ฤดูกาล ความละเอียด คลาวด์พอดีหรือไม่ (2) สมมติรายการการตรวจจับการเปลี่ยนแปลงและแยกแหล่งที่มาของข้อผิดพลาดที่เป็นไปได้สำหรับการตรวจจับแต่ละครั้งด้วยเทมเพลตเริ่มต้น (3) จัดทำร่างรายงานด้วยเทมเพลตที่สาม และเพิ่มความแม่นยำและขอบเขตของข้อผิดพลาด (4) จดบันทึกว่าการตัดสินใจใดจะต้องมีการยืนยันภาคสนาม และคุณจะดำเนินการอย่างไร

รายการตรวจสอบ

• [ ] ฉันตรวจสอบความเข้ากันได้ของฤดูกาล วันที่ และความละเอียดของภาพแล้ว
• [ ] ฉันจัดแนวรูปภาพให้เป็น CRS เดียวกัน ฉันนำมาสก์เมฆ/เงามาพิจารณาด้วย
• [ ] ฉันถือว่าการตรวจจับการเปลี่ยนแปลงเป็นการคัดกรองเบื้องต้น ไม่ใช่เป็นหลักฐาน
• [ ] ฉันประเมินและรายงานความถูกต้องของการจำแนกประเภท
• ฉันยืนยันการเปลี่ยนแปลงที่ทำเครื่องหมาย [ ] พร้อมด้วยข้อมูลภาคสนามและบันทึกอย่างเป็นทางการ
• [ ] ฉันสังเกตเห็นว่าขีดจำกัดความละเอียดอาจพลาดไปเท่าใด
• [ ] ฉันเขียนวันที่ ความละเอียด และส่วนต่างของข้อผิดพลาดไว้ในรายงานอย่างชัดเจน